空间应用中SNN的硬件感知与硬件无关能耗估计对比
计算机视觉与模式识别
2025-08-28 v1
摘要
脉冲神经网络（SNN）受生物智能启发，长期以来被认为本质上具有能效优势，使其对资源受限领域如空间应用具有吸引力。然而，近期与常规人工神经网络（ANNs）的比较研究已开始质疑这一声誉，尤其是在数字实现方面。本工作研究了用于多输出回归的SNN，具体为从单目图像进行三维卫星位置估计，并比较了硬件感知与硬件无关的能耗估计方法。所提出的SNN在最终层使用泄漏积分放电（LIF）神经元的膜电位进行训练，在真实卫星数据集上取得了与参考卷积神经网络（CNN）相当的均方误差（MSE）。能耗分析表明，虽然硬件无关方法预测SNN相比CNN有一致50-60%的能耗优势，但硬件感知分析揭示仅在神经形态硬件和高输入稀疏性条件下才能实现显著节能。暗像素比例对能耗的影响被量化，强调了数据特征和硬件假设的影响。这些发现强调了需要透明的评估方法和明确披露底层假设，以确保神经网络能效的公平比较。
引用
@article{arxiv.2508.19654,
title = {Hardware-aware vs. Hardware-agnostic Energy Estimation for SNN in Space Applications},
author = {Matthias Höfflin and Jürgen Wassner},
journal= {arXiv preprint arXiv:2508.19654},
year = {2025}
}
备注
Accepted for the IAA-SPAICE 2025 conference